طبقه بندی ویدیو با بافت های دینامیک (پویا) Kernel

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

طبقه بندی ویدیو با بافت های دینامیک (پویا) Kernel

عنوان لاتین

Classifying Video with Kernel Dynamic Textures

بافت دینامیک (پویا) مدل ویدیویی تصادفی و اتفاقی است که با ویدیو بعنوان نمونه ای از سیستم دینامیکی (پویای) خطی رفتار می کند. بصورت شگفت آوری این مدل ساده در حوزه هایی همچون ترکیب و امتزاج ویدیو ، تقسیم بندی ویدیو ، و طبقه بندی ویدیو کارامد به نظرآمده است. هرچند ، یکی از معایب اصلی بافت دینامیکی (پویا) این است که این مقوله تنها به مدل سازی ویدیو در جایی که حرکت هموار و روان می باشد ، همچون بافت های ویدیو در جاییکه ارزش های پیکسل بصورت روان و هموار تغییر می کند ، می پردازد. در این پژوهش ، ما توسعه و تعمیم بافت دینامیکی (پویا) ای را بمنظور مشخص نمودن این مسئله پیشنهاد می نماییم. در عوض یادگیری تابع (عملگر) مشاهده خطی با PCA ، ما تابع (عملگر) مشاهده غیر خطی با استفاده از Kernel PCA را یاد می گیریم. در نتیجه بافت دینامیک Kernel قادر به مدل سازی حوزه وسیع تر (گسترده تری) از انواع ویدیو ، همچون حرکت هرج و مرجی (همچون آشفتگی و مواجی آب) یا حرکت دوربین (همچون بهم پیوستگی) می باشد. ما مراحل ضروری و لازمه برای محاسبه فاصله Martin مابین بافت های دینامیکی (پویا) Kernel را استنتاج نموده ، و سپس مدل جدید را از طریق طبقه بندی آزمایشات بروی ویدیوی حامل حرکت دوربین تایید اعتبار می نماییم.

The dynamic texture is a stochastic video model that treats the video as a sample from a linear dynamical system. The simple model has been shown to be surprisingly useful in domains such as video synthesis, video segmentation, and video classification. However, one major disadvantage of the dynamic texture is that it can only model video where the motion is smooth, i.e. video textures where the pixel values change smoothly. In this work, we propose an extension of the dynamic texture to address this issue. Instead of learning a linear observation function with PCA, we learn a non-linear observation function using kernel- PCA. The resulting kernel dynamic texture is capable of modeling a wider range of video motion, such as chaotic motion (e.g. turbulent water) or camera motion (e.g. panning). We derive the necessary steps to compute the Martin distance between kernel dynamic textures, and then validate the new model through classification experiments on video containing camera motion.